[论文解读] Spatial sampling of MEG and EEG revisited: From spatial-frequency spectra to model-informed sampling

Joonas Iivanainen, Antti Mäkinen+4 more|arXiv (Cornell University)|Jun 3, 2020

Neural dynamics and brain function参考文献 64被引用 7

一句话总结

本文提出一种基于模型的、最大化信息量的空间采样网格优化方法，用于EEG和MEG，通过利用空间频率分析和高斯过程理论实现。结果表明，头皮上的MEG约需300个采样点，而EEG和非头皮MEG则约需100个采样点；基于先验神经场模型的非均匀采样可提升有限传感器下的信息捕获效率，在低采样点数条件下优于均匀网格。

ABSTRACT

In this paper, we analyze spatial sampling of electro- (EEG) magnetoencephalography (MEG), where the electric or magnetic field is typically sampled on a curved surface such as the scalp. Using simulated measurements, we study the spatial-frequency content in EEG as well as in on- and off-scalp MEG. The analysis suggests that on-scalp MEG would generally benefit from three times more samples than EEG or off-scalp MEG. Based on the theory of Gaussian processes and experimental design, we suggest an approach to obtain sampling locations on surfaces that are optimal with respect to prior assumptions. Additionally, the approach allows to control, e.g., the uniformity of the sampling locations in the grid. By simulating the performance of grids constructed with different priors, we show that for a low number of spatial samples, model-informed non-uniform sampling can be beneficial. For a large number of samples, uniform sampling grids yield nearly the same total information as the model-informed grids.

研究动机与目标

• 基于神经场模式的空间频率内容，确定EEG和MEG最优的空间采样密度。
• 解决当理论采样定理不适用时，EEG和MEG中非均匀且受限的传感器布局问题。
• 开发一种在关于神经源分布的先验假设下，最大化信息内容的采样网格设计方法。
• 评估在传感器数量有限时，基于模型的非均匀采样是否优于均匀网格。
• 提供一种框架，用于设计在信息增益、传感器数量和实际约束（如最小传感器间距）之间取得平衡的传感器阵列。

提出的方法

• 利用曲面拉普拉斯-贝尔特拉米算子的特征函数作为自然的二维傅里叶类似基底，分析EEG和MEG场的空间频率内容。
• 使用高斯过程建模神经场模式，通过关于源拓扑的先验假设来编码空间相关性和不确定性。
• 应用实验设计原理——特别是香农信息增益最大化——以选择曲面上最优的采样位置。
• 基于高斯过程先验推导出核方法，计算候选采样网格的信息含量。
• 通过优化总信息量生成非均匀采样网格，同时控制空间均匀性和传感器数量。
• 通过模拟验证性能，比较在不同采样点数下基于模型的网格与均匀网格的表现。

实验结果

研究问题

• RQ1 为了完整捕获EEG和MEG场的空间细节，特别是头皮MEG，所需的最优空间采样点数是多少？
• RQ2 在传感器数量有限时，基于模型的非均匀采样与均匀采样在信息含量方面有何差异？
• RQ3 关于神经源拓扑的先验知识在多大程度上提升了EEG和MEG中空间采样的效率？
• RQ4 能否通过神经场的空间频率分析，指导设计在最小化传感器数量的同时最大化信息量的传感器阵列？
• RQ5 随着采样点数的增加，基于模型的采样网格性能如何变化？其何时趋近于均匀采样？

主要发现

• 头皮MEG需要约300个空间采样点才能实现最优信息捕获，显著多于EEG或非头皮MEG，后者约需100个采样点即可达到最佳效果。
• 在采样点数较少时（例如，<100），基于模型的非均匀采样网格比均匀网格传递了显著更多的信息，提升了源估计性能。
• 当采样点数较多时（例如，>100），均匀采样网格的总信息量几乎与基于模型的网格相当，表明复杂优化的边际收益递减。
• 空间频率分析表明，EEG和MEG场的空间内容是带限的，采样密度的选择必须考虑这一点，以避免混叠和信息损失。
• 所提出的方法可设计出在信息最优性与空间均匀性控制之间平衡的传感器网格，适用于实际阵列设计。
• 该框架可扩展至矢量场，并可整合传感器尺寸、噪声和干扰因素，为未来实际传感器系统设计提供支持。